上一讲我们介绍了最优化问题的两种形式，无约束的和等式约束条件下的，这一讲，我们主要介绍不等式约束条件下的最优化问题，并介绍一下我们的KKT条件。
1、不等式约束条件
设目标函数f(x)，不等式约束为g(x)，有的教程还会添加上等式约束条件h(x)。此时的约束优化问题描述如下：
则我们定义不等式约束下的拉格朗日函数L，则L表达式为：
求解上面的问题，我们同样可以使用等式约束条件的求解思路，对所有的参数进行求导，但是对于求解出的最优解，必须满足KKT条件（Karush-Kuhn-Tucker ）：
1）L(a, b, x)对x求导为零；
2）h(x) =0;
3）a*g(x) = 0;
求取这些等式之后就能得到候选最优值。其中第三个式子非常有趣，因为g(x)<=0，如果要满足这个等式，必须a=0或者g(x)=0. 这是SVM的很多重要性质的来源，如支持向量的概念。
2、KKT条件推导
2.1 对偶问题转换
接下来我们介绍一下KKT条件的推导：首先让我们针对针对 λ 和 ν 最大化，令：
这里 λ⪰0 理解为向量 λ 的每一个元素都非负即可。这个函数 z(x) 对于满足原始问题约束条件的那些 x 来说，其值等于 f0(x) ，这很容易验证，因为满足约束条件的 x 会使得 hi(x)=0 ，因此最后一项消掉了，而 fi(x)≤0 ，并且我们要求了 λ⪰0 ，因此 λifi(x)≤0 ，所以最大值只能在它们都取零的时候得到，这个时候就只剩下 f0(x) 了。因此，对于满足约束条件的那些 x 来说，f0(x)=z(x) 。这样一来，原始的带约束的优化问题其实等价于如下的无约束优化问题：
到这里，我们成功把带约束问题转化为了无约束问题，不过这其实只是一个形式上的重写，并没有什么本质上的改变。我们只是把原来的问题通过 拉格朗日写作了如下形式：
我们把上面的形式称为原始问题，之前了解过SVM的同学肯定知道，如果我们把min和max对换一下位置，就得到这个问题的对偶问题：
2.2 对偶问题的最优解是原始问题最优解的下界
交换之后的对偶问题与原始问题的解并不相等，直观的可以这么理解，别墅中最便宜的房子的价格也要比普通楼房的最贵的价格高。当然这是很不严格的说法，我们需要严格的证明这一点，和刚才的z(x)类似，我们再定一个公式：
g 有一个很好的性质就是它是 primal problem 的一个下界。换句话说，如果 primal problem 的最小值记为 p∗ ，那么对于所有的 λ⪰0 和 ν ，我们有：
证明过程如下图：
上面这个性质叫做弱对偶性，对于所有的优化问题都成立。既然有弱对偶性，那必然有强对偶性，前对偶性指的原始问题和对偶问题的最优解严格相等，即：
在强对偶性成立的情况下，我们就可以通过对原始问题的对偶问题的求解来得到最优解（SVM就是这么做的），但并不是所有情况下强对偶性都成立，它会有一定的前提。
2.3 Slater 条件
如果你不是专门研究规划问题的同学，咱们还是直接看结论吧。首先我们介绍一下Slater 条件，Slater 条件是指存在严格满足约束条件的点 x ，这里的“严格”是指 fi(x)≤0 中的“小于或等于号”要严格取到“小于号”，亦即，存在 x 满足：
我们有：如果原始问题是凸优化问题（很庆幸，SVM的规划问题是一个凸优化问题）的并且满足 Slater 条件的话，那么 strong duality 成立。需要注意的是，这里只是指出了 strong duality 成立的一种情况，而并不是唯一情况，不过研究SVM的话 ，知道这种情况足够了。
2.4 KKT条件
让我们回到 duality 的话题。来看看 strong duality 成立的时候的一些性质。
假设 x∗ 和 (λ∗,ν∗) 分别是 primal problem 和 dual problem 的极值点，相应的极值为 p∗ 和 d∗ ，首先 p∗=d∗ ，此时我们可以得到：
因为左右两端其实是相等的，所以上面的小于等于号可以替换为等于号，我们一共替换了两次，这两次替换我们都能得到一个重要的性质：
再将其他一些显而易见的条件写到一起，就是传说中的 KKT (Karush-Kuhn-Tucker) 条件：
任何满足强对偶性（不一定要求是通过 Slater 条件得到，也不一定要求是凸优化问题）的问题都满足 KKT 条件，换句话说，这是 强对偶性 的一个必要条件。不过，当原始问题是凸优化问题的时候（当然还要求一应函数是可微的，否则 KKT 条件的最后一个式子就没有意义了），KKT 就可以升级为充要条件。换句话说，如果 原始问题是一个凸优化问题，且存在 x˜ 和 (λ˜,ν˜) 满足 KKT 条件，那么它们分别是 原始问题 和 对偶问题 的极值点并且强对偶性成立。
